埃塞克斯大学用脑电区分语义类别，两两分类准确率最高73.4%
埃塞克斯大学团队记录14名参与者根据语言线索检索概念时的脑电，比较食物、乐器和身体部位三类概念。三个两两分类任务的平均准确率分别为73.4%、70.7%和68.2%。模型先用其他人的数据学习，再用待测参与者自己的带标签数据校准。
2026 年 10 月
2026 年 9 月
埃塞克斯大学：人听懂词义时，脑电低贝塔节律会一致减弱
兰州交通大学团队用层级图学习框架解码VR运动想象脑电，三分类表现超过EEGNet
在虚拟现实里一边看动作演示、一边在脑中想象这个动作，这样训练时，机器能否更准确地从脑电信号里读出“想动哪里”？兰州交通大学的研究团队提出一套层级图学习框架：先把头皮脑电拆成不同节律成分，筛选出关键特征，再把每次试验的脑区连接关系画成一张“图”，交给层级图卷积网络做判断。团队在自己采集的VR运动想象数据集上测试，这套方法的三分类解码准确率超过了EEGNet等常用基线模型。研究还发现，VR中的“观察加想象”能增强感觉运动脑区之间的连接，让更大范围的脑网络协同工作。摘要未给出具体准确率和受试者人数。
言语想象脑机接口可行性或被高估，复制分析仅36%参与者达到显著
言语想象（SI）脑机接口的解码结果可能难以复现。一项全面评估发现，复现已发表研究的解码流程时，分类准确率平均比原始报告低11.25个百分点，差异范围在2%到39%之间；在复制分析中，仅36%的SI参与者达到统计显著性阈值，远低于运动想象（MI）数据集的91%。该研究由英国埃塞克斯大学团队完成，于2026年9月4日发表于《Journal of Neural Engineering》，是首个同时评估SI解码可重复性与可复现性的研究。结果显示，所有被评估的SI研究都存在方法学细节缺失，SI作为实用脑机接口范式的可行性可能被高估，这对依赖该范式的临床应用和后续研究具有警示意义。
2026 年 8 月
同时读脑电和脑血流：EFS-Net做到超8成心算识别准确率
华东理工大学等机构的研究者提出名为EFS-Net的端到端融合网络，把脑电与功能性近红外光谱两种信号在多个尺度上对齐融合，以克服单一模态解码的局限。网络设三条互补分支：多尺度时间卷积分支捕捉脑电快速变化的皮层电生理特征，脑电空间分支构建经延迟补偿的皮层地形图以适配近红外较慢的血流动力学响应，空间校准的近红外分支把空间特征图与脑电对应特征动态融合。在词语生成和心算两个公开数据集上，采用逐被试留一次会话交叉验证，准确率分别为77.71%±8.23%和81.69%±9.49%。该研究2026年8月21日发表于《Cognitive Neurodynamics》。
2026 年 4 月
运动想象分类最高88.38%，DPMS-Net在卒中数据也过67%
该研究提出DPMS-Net，一种采用动态卷积在时间、空间与频率多维度挖掘判别线索、并结合通道与时间注意力机制的运动想象分类深度网络，并引入频谱域分析组件，挖掘EEG谱中隐藏的细微振荡特征，为分类提供更丰富证据。研究在两个公开数据集与一个卒中患者自采数据集上评估，在BCI Competition IV 2a和2b数据集上分别取得83.93%和88.38%的受试者依赖分类准确率；在卒中患者数据集上，受试者依赖准确率为67.67%。作者认为，DPMS-Net具有高效解码能力与稳健性，可用于神经康复脑机接口系统。